sklearn决策树默认参数

sklearn库中的决策树（DecisionTreeClassifier 或 DecisionTreeRegressor）有一些默认参数。以下是几个重要的默认设置：

1. **criterion**: 默认为“gini”，这是信息增益的一种度量方式，用于划分节点。另一种选择是“entropy”（信息熵），它衡量了节点纯度的变化。

2. **splitter**: 默认为“best”，表示总是选择最优的特征划分。这可能是基于信息增益或基尼指数的最大值。

3. **max_depth**: 没有设定具体的最大深度，而是当达到某个条件（如样本数量减少到一定程度）时自动停止生长。如果没有设置，理论上可以生成无限深的树。

4. **min_samples_split**: 分裂节点所需的最小样本数，默认为2。这意味着如果一个节点包含少于两个样本，则不会分裂。

5. **min_samples_leaf**: 叶子节点所需的最小样本数，默认也是2。同样，如果一个叶子节点样本过少，可能会导致过拟合。

6. **max_features**: 如果设置了这个参数，算法会在构建树时只考虑部分特征，而不是所有特征。默认为None，表示全部特征。

7. **random_state**: 对于随机森林等随机化模型，可以设置一个固定的随机状态，以保证结果的可复现性。默认为None。

如果你需要了解更详细的参数列表或调整这些参数，可以查阅sklearn官方文档或使用`get_params()`函数查看模型的当前参数。